基于线流场的移动目标识别分析

《基于线流场的移动目标识别分析》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、哈尔演理T人学T学硕Ij学位论文计算机视觉是研究利用先进的计算机技术来模拟生物视觉功能的一门新兴的科学和技术，其主要的目标就是用图像创建或恢复现实世界模型，然后用人工智能技术认知现实世别¨。典型的计算机视觉系统处理过程包括图像的获取、图像的处理和分析、相识反应等三个部分，如图1—1所示。曰日圈日圈图1-1典型的计算机视觉系统处理过程Fig．1-1Typicalcomputervisionsystemprocession1．2．2发展概况计算机视觉技术的发展经历了如下几个阶段：第一阶段：统计模式识别一20世纪50～60年代。当时人们的精力主要集中在利用统计学理论对二维图像分析

2、和识别上，比如文字字符识别，工厂工件表而、显微图片和航空图片的分析和解释等；60年代后期，Roberts等人利用计算机程序提取出了多种多而体的三维结构，并对物体形状及物体的空问关系进行描述，开创了以理解三维场景为目的的三维机器视觉的研究。经过深入的研究，研究的范围从边缘、角点等特征提取，到线条、平面、曲面等几何要素分析，一直到图像明暗、纹理、运动以及成像几何等，并建立了各种数据结构和推理规则，计算机视觉迎来了第一个发展时期。第二阶段：机器视觉_20世纪70年代。其标志事件是美国麻省理工学院(MIT)人工智能(AI)实验室正式开设“机器视觉”(MachineVision)这门

3、课程。著名的DavidMarr教授于1977年提出了新的计算视觉理论(computationalvision)，该理论在80年代成为机器视觉研究领域中的一个非常重要的理论框架。Man"的视觉计算理论是在计算机科学的基础之上，十分系统地概括了心理生理学、神经生理学等方面取得的重要成果，是视觉研究中目前为止最为完善的视觉理论。其重要意义在于，Marr建立的视觉计算理论，使计算机视觉研究有了一个很明确的体系，大大推动了计算机视觉研究的发展。因此说，Marr的视觉理论对计算机视觉这门学科的形成起到了直接推动作用。第三阶段：活跃期一20世纪80年代以后。这一时期欣起了对机器视觉研究哈

4、尔滨理T人学T学硕l：学位论文的全球性研究热潮；至80年代中期，机器视觉获得了蓬勃发展，一些新概念、新方法、新理论不断涌现出来。例如：基于感知特征群的物体识别理论框架、主动视觉理论框架、视觉集成理论框架等。可以说，计算机视觉的研究方兴未艾，有着广阔的美好前景。其中尤以基于可见光感知的计算机视觉技术最为成熟，应用得也最为广泛。1．3国内外研究现状由于基于可见光感知的计算机视觉技术仍是当自订发展的主流，所以本文限于叙述基于光流的视觉算法。光流的计算方法最初由Horn与Schunk等人提出，研究的对象是二维运动，即真实世界中的三维运动以透视或正交的投影方式在图像平卣上形成的“视在

5、运动”，这一运动对应着图像中不同目标的相对位置改变，也就对应着图像自订后帧相应位置灰度的改变¨1。近年来，光流法得到了极大推进。1．Allmen用时空表面流和时空流曲线来计算光流场，把通过特征匹配得到的位移量和对速度的二阶导数光滑性结合起来，但是结果误差较大p1。2．Kumar提出了一种新的计算光流场曲线的方法，可以完好地保留边界信息，计算出的结果与理论分析吻合得较好一1。由于不用做光滑处理，可很好地保留曲线的边界信息，实验结果证明该方法采用的数值计算方法与其理论值可以很好地吻合。该方法通过计算光流场提取目标的曲线信息，没能避免光流场计算时的大量运算。3．Fleet提出了线

6、性光流场的计算方法p1。4．Brox在光流计算领域做了大量的工作，曾提出一种新的计算光流场的方法：联合了照度恒定、梯度恒定和间断保留时空光滑恒定等三个假设，提出了基于两个固定点的嵌套迭代的一致性数值方案。为验证该方案，设计了由粗到精的形变策略。实验结果证明该算法在估计光流时，与以前技术相比，具有更小的角度误差、对参数变动不敏感、在噪声下更具有鲁棒性。后来，Brox又进一步将光流技术应用到3一D跟踪方面，与目标的轮廓曲线相结合来实现目标的跟踪。两种方法互为补充，从而提高跟踪效果。不足之处是运算量的问题仍没解决，并且将光流和曲线分开考虑，从而仍很耗时。Brox等人提出了一个基于

7、两个嵌套固定点迭代的稳定的数字方案，使用了由粗到精的层级策略，可进行基于曲面理论的精确的光流场估计。DanielCremers则将光流很好地应用在了图像的分割方面上旧“1。哈尔滨理T人学T学硕Ij学位论文利用多个摄像机获取场景流，也是近年光流法方面的一个亮点，必将被广泛应用。5．Park等人先提取目标物体的轮廓线，然后计算轮廓线的曲率信息，并依此估计目标的运动陋1。Kellner等人则将三种典型方法结合起来，用改进的图像差法抑制局部亮度变化，为检测运动目标的轮廓线奠定基础。首先，提取没有移动目标的背景图像中物体的轮